شماره کتابشناسی ملی
شماره
۲۱۱۴۹پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
پیش بینی کوتاه مدت میزان آلودگی هوا با استفاده از شبکه عصبی بر پایه فواصل پیش بینی
عنوان اصلي به زبان ديگر
Short-Term Air Pollution Forecasting Using Neural Network- Based Prediction Intervals
نام نخستين پديدآور
/مهرداد طلوعی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: عمران
تاریخ نشرو بخش و غیره
، ۱۳۹۵
مشخصات ظاهری
نام خاص و کميت اثر
۱۲۴ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
عمران - گرایش محیط زیست
زمان اعطا مدرک
۱۳۹۷/۱۱/۱۵
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
آلودگی هوای شهرها یکی از مهمترین معضلات محیط زیستی بوده که همواره تهدیدی دائم و جدی برای سلامت و بهداشت جامعه و محیط زیست می باشد .بررسی های گسترده نشان میدهد، آثار بالقوه آلودگی هوا بر سلامت انسان شامل : افزایش مرگ و میر ، افزایش مراجعه به بیمارستان ، افزایش تغییرات در عملکرد فیزیولوژیکی بدن به ویژه عملکرد تنفسی و قلبی عروقی بوده است .همچنین آلودگی هوا سبب خسارت هایی بر گیاهان ، غلات و اکو سیستم ها شده که می تواند در تأمین مواد غذایی ، آب ، توسعه پایدار و اقتصاد جهانی تأثیر گذار باشد .با درنظر گرفتن اهمیت آلودگی هوا در سلامت بشر ، پیش بینی شاخص آلودگی میتواند کمک مؤثری برای تصمیم گیری های آینده باشد .پیشرفت های اخیر در توسعه مدل های شبکه عصبی، راه را برای استفاده عملی از آن ها در مدل سازی و پیش بینی آلاینده ها در محیط های شهری هموار می سازد .با این وجود بهبود عملکرد این شبکه ها در پیش بینی، انتخاب پارامترهای ورودی مناسب،نحوه بهینه کردن ساختار معماری این شبکه ها و کنترل عدم قطعیت مدل سازی ها برای پیش بینی نیاز به مطالعه بیشتر دارد .اهداف عمده مطالعه پیش رو به این شرح می باشد :برای پیش بینی آلودگی هوا از شبکه عصبی بر پایه ی فواصل پیش بینی استفاده شد است .بدین ترتیب که علاوه بر پیش بینی نقطه ای آلودگی هوا برای کنترل عدم قطعیت پیش بینی های مدل سازی شده، به ساخت فواصل پیش بینی با استفاده از روش دلتا پرداخته شد، همچنین برای مدل سازی با استفاده از شبکه عصبی مصنوعی با انتخاب پارامترهای ورودی مناسب و بهینه سازی ، سعی در رسیدن به بالاترین کیفیت مدل های پیش بینی آلودگی هوا انجام گرفته شده است .در این مطالعه از شبکه عصبی مصنوعی برای پیش بینی آلاینده معیار هوا یعنی منوکسید کربن (co) استفاده شده که در این راستا داده های آلودگی هوای چندین ساله از چند ایستگاه منتخب واقع در ایالت کالیفرنیا جمع آوری گردید .پارامترهای ورودی بر اساس دو معیار انتخاب شدند :پیش بینی پذیری و نتیجه حاصل از مدل ها، در نتیجه از میان پارامترهای هواشناسی موجود پارامتر دمای هوا انتخاب شد .همچنین برای مدلسازی پیش بینی آلودگی هوا از دو روش، تک ایستگاهه که از داده های منو اکسید کربن و دمای هوا خود ایستگاه برای پیش بینی استفاده شده و روش چند ایستگاه که علاوه بر داده های خود ایستگاه مورد نظر، از داده های ایستگاه های مجاور نیز برای مدلسازی استفاده گردید که نتایج حاصل از روش چند ایستگاهه به مراتب بهینه تر از نتایج مدلسازی به روش تک ایستگاهه می باشد .مدل های ساخته شده برای پیش بینی غلظت آلاینده منو اکسید کربن در دو ایستگاه لس آنجلس و پومونا در مدل سازی چند ایستگاهه به ترتیب با ۲ و ۱ اختلاف نتایج بهتری نسبت به مدل سازی تک ایستگاه داشتند.برای ایستگاه پاسادینا مدل سازی تک ایستگاهه با اختلاف جزئی نسبت به مدل سازی چند ایستگاهه نتایج بهتری در پیش بینی ارئه می دهد .در مورد احتمال پوشش فواصل پیش بینی ساخته شده در دو ایستگاه لس آنجلس و پومونا در مدل سازی چند ایستگاهه به ترتیب با ۳ و ۱ اختلاف نتایج بهتری نسبت به مدل سازی تک ایستگاهه ارائه می دهد.برای ایستگاه پاسادینا مدل سازی تک ایستگاهه با اختلاف جزئی نسبت به مدل سازی چند ایستگاهه نتایج بهتری برای پوشش فواصل پیش بینی ارائه می دهد
متن يادداشت
Urban air pollution is one of the most important environmental problems that is always a permanent and serious threat to public health and the environment. Extensive studies show that the potential effects of air pollution on human health include: increased mortality, increased hospitalization, increased physiological changes in the body, especially respiratory and cardiovascular function. Air pollution also damages plants, cereals and ecosystems that can affect food, water, sustainable development and the global economy. Considering the importance of air pollution in human health, prediction of the indicator of contamination can be effective in future decision-making. Recent advances in the development of neural network models pave the way for their practical use in modeling and predicting pollutants in urban environments. However, improvement in predicting network performance, choose the appropriate input parameters and how to optimize the network architecture requires further study. The main objectives of the present study is as follows: to predict air pollution neural network-based prediction intervals were used. Thus, in addition to predicting of air pollution control uncertainty prediction modeling, to build prediction intervals by Delta method were discussed, as well as for modeling using artificial neural network with a choice of input parameters appropriate and optimization, trying to achieve the highest quality predictive models of air pollution have been taken. In this study, the artificial neural network was used to predict the air pollutant, carbon monoxide (CO), in which several years of air pollution data from several selected stations in California was collected. Input parameters were selected based on two criteria: predictability and result of the models, as a result, the air temperature parameter was selected among the meteorological parameters. Also, to model air pollution prediction using two methods, a single station that uses carbon monoxide data and its air temperature to predict carbon monoxide of the station, and the multi-station method, which, in addition to its station data, is derived from adjacent station data It was also used for modeling that the results of the multi-station method are far more optimal than the results of single-station modeling. Models designed to predict carbon monoxide concentrations in both Los Angeles and Pomona stations in multi-station modeling with 2 and 1 respectively have better results than single station modeling. For Pasadena station, single-station modeling offers a better result in prediction with a slight difference than multi-station modeling. The probability of covering the Prediction intervals in two, Los Angeles and Pomona stations in multi-station modeling with 3 and 1 , respectively, offers better results than single-station modeling. For the Pasadena station, a single-station modeling with a slight difference compared to multi-station modeling offers better results to cover Prediction intervals
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Short-Term Air Pollution Forecasting Using Neural Network- Based Prediction Intervals
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
طلوعی، مهرداد
مستند نام اشخاص تاييد نشده
Tolouei Molan, Mehrdad
نام شخص - ( مسئولیت معنوی درجه دوم )
مستند نام اشخاص تاييد نشده
نورانی،وحید، استادراهنما
مستند نام اشخاص تاييد نشده
شرقی، الناز، استادراهنما
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
